提升信号精准度：预测信号分组过滤的方法 (副本)
由small_q创建，最终由small_q 被浏览 10 用户
作者：徐耀杰(woshisilvio)
导语
为何要对模型预测score得分进行分组统计？
很多时候，我们会发现StockRanker每天按照score得分排序推送的股票，未必是最好的结果。尤其是一些风格不是很稳定的模型，StockRanker每天出的信号也不是很稳定。今天排名NO.1的股票可能是赚钱的，但是到了第二天变成了排名NO.2的股票赚钱，第一名反而变成了亏钱。甚至有时候第1名的股票赚钱，有时候是最后一名的股票赚钱。在实盘过程中，这种轮动现象还会交替出现。
问题思考
基于这个现象，笔者产生了以下问题：StockRanker根据score得分排序选出来的股票，在长期的回测中，他的赚钱效应到底是属于偶然的结果， 还是有一定的赚钱规律？
策略思路
- 输入特征列表，加入未来五日股票的收益因子，计算模型的score得分 IC值，验证模型选股的未来收益。
- 在m10自定义python模块中，调整分组对象，对模型的score得分信号进行分段划分。
- 求出几个分段区间的并集∪，对股票进行过滤
相关因子
#未来五日股票的收益
return_5_day=(shift(close_0, -5)-shift(open_0, -1))/shift(open_0, -1)
#未来10日股票的收益
#return_10_day=(shift(close_0, -10)-shift(open_0, -1))/shift(open_0, -1)
策略回测
量化技巧
接下来，在m10自定义python模块中，可以很方便的调整我们的分组对象， 对模型的score得分信号进行分段划分。
分组 = 输入整数 区间1 = 输入整数 区间2 = 输入整数 区间3 = 输入整数
例如：分组82组
区间1=82 [区间分组 第82组（score值最大的那一端）]
区间2=81 [区间分组 第81组（score值最大的那一端）]
区间3=80 [区间分组 第80组（score值最大的那一端）]
最终结果我们选的就是头部的几组股票传入引擎的 第20组股票，第19组股票和第18组股票的这三个得分区间
实验结论：
基准：模板策略-stockranker多因子选股 夏普比率 -0.93
分组后： 提升 211% 夏普比率 1.04
研究发现，大部分模型，只要取到分组头部的那一段score得分区间进行过滤，基本上可以对原有模型有一定的提升。 强中选强，矮个子里拔将军就是这样的道理。
策略视频
https://www.bilibili.com/video/BV1VB4y1H7Uj?share_source=copy_web
策略源码
https://bigquant.com/experimentshare/22e7d449a25f4b3db256650550410172
\